Climate Change and Trend Detection in Selected Rivers within the Asia-Pacific Region
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Global climate change is currently an issue of great concern. This phenomenon was studied using the runoff of large rivers, which can be considered a regional integrator of the local precipitation occurring in their basins. The long-term stationarity and the possibility of trends in streamflow records stored in the databank of the Global Runoff Data Center (GRDC) at the Federal Institute of Hydrology in Koblenz (Germany) were studied. Runoff records originating from 78 rivers with long monthly runoff series that are geographically distributed throughout the whole Asia-Pacific region were selected for study. For each of the selected rivers, three time series were constructed and analyzed: the mean yearly, and the maximum and minimum monthly discharges. These series were submitted to a two-tier analysis. First, a segmentation procedure developed by Hubert was applied to assess their stationarity. Then the segmented series were submitted to a specialized trend detection software. The results show that about two-thirds of the series have remained stationary and that the monthly minimum runoff exhibited more changing levels (37/78) than the mean (26/78) and maximum (18/78) runoff. Most of the detected changes occurred during the 1960s and 1970s, a period of rapid demographic expansion and urbanization in Asia, when irrigation and other water uses were developed, especially in tropical areas. During the same period and within the area studied, a number of large dams and reservoirs were completed. Since these anthropic interventions could be at the origin of the changes in runoff, there is no regionally consistent evidence supporting global climate change.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle